Γεφυρώνοντας το χάσμα γνώσης: Μια δομημένη βιβλιογραφική ανασκόπηση των μηχανισμών μέσω των οποίων η τεχνητή νοημοσύνη ενισχύει την επιχειρηματική στρατηγική

Closing the knowledge gap: A structured literature review on the mechanisms of AI in enhancing business strategy (Αγγλική)

  1. MSc thesis
  2. ΑΛΕΞΑΝΔΡΑ ΕΥΣΤΑΘΙΟΥ
  3. Διοίκηση Επιχειρήσεων (MBA)
  4. 12 Σεπτεμβρίου 2025
  5. Ελληνικά
  6. 52
  7. Pollalis Ioannis
  8. AI in Business Strategy
  9. MBA61
  10. 123

    • Παρόλο που η τεχνητή νοημοσύνη (ΤΝ) έχει καταστεί βασική προτεραιότητα για τις ανώτατες διοικητικές ομάδες πολλών επιχειρήσεων, η μετατροπή της σε μια σαφή και αποτελεσματική στρατηγική εξακολουθεί να αποτελεί πρόκληση. Ένας βασικός λόγος είναι ότι τα σύγχρονα συστήματα ΤΝ διαφέρουν από τις περισσότερες άλλες ψηφιακές τεχνολογίες: έχουν τη δυνατότητα να μαθαίνουν από δεδομένα και να βελτιώνονται με την πάροδο του χρόνου μέσω της μηχανικής μάθησης (machine learning). Αυτή η ικανότητα αυτομάθησης μεταβάλλει τον τρόπο με τον οποίο οι εταιρείες θα πρέπει να σχεδιάζουν, να εφαρμόζουν και να ελέγχουν την τεχνολογία. Ωστόσο, η έρευνα στον τομέα της στρατηγικής εξακολουθεί να επιχειρεί να προσφέρει μια δομημένη, βήμα προς βήμα προσέγγιση, η οποία θα βοηθά τα στελέχη να αποφασίζουν πώς να διαχειρίζονται αυτά τα συστήματα μάθησης, διασφαλίζοντας την ευθυγράμμισή τους με τη συνολική επιχειρηματική στρατηγική της εταιρείας.


      Αρχικά, η παρούσα εργασία εξετάζει διεξοδικά τα εν λόγω ερευνητικά κενά σε καθέναν από τους μοχλούς λήψης στρατηγικών αποφάσεων και αντιστοιχίζει κλασικά και σύγχρονα στρατηγικά μοντέλα με αυτούς τους μοχλούς. Στη συνέχεια, αναλύει μια νέα, πρόσφατα αναπτυγμένη προσέγγιση στρατηγικής, η οποία βασίζεται σε τρία βασικά χαρακτηριστικά της σύγχρονης ΤΝ. Πρώτον, η ΤΝ μπορεί να υπερέχει έναντι των ανθρώπων ή των παραδοσιακών συστημάτων στην εκτέλεση συγκεκριμένων εργασιών (task superiority). Δεύτερον, πολλά μοντέλα ΤΝ είναι δύσκολο να ερμηνευθούν πλήρως, με αποτέλεσμα η λειτουργία τους και τα αποτελέσματά τους να εκλαμβάνονται ως ένα «μαύρο κουτί» (black box perception). Τρίτον, τα συστήματα ΤΝ μπορούν να εξελίσσονται καθώς μαθαίνουν, γεγονός που σημαίνει ότι η συμπεριφορά και η απόδοσή τους ενδέχεται να μεταβάλλονται με την πάροδο του χρόνου (dynamic nature).

      Βασισμένο σε αυτά τα χαρακτηριστικά, το νέο στρατηγικό μοντέλο που προτείνουν οι Thomas Hutzschenreuter και Tim Lämmermann στην ανασκόπησή τους συνιστά ένα πρακτικό πλαίσιο, το οποίο αναδεικνύει πέντε βασικά ερωτήματα που θα πρέπει να θέτουν τα στελέχη κατά τον σχεδιασμό μιας επιχειρηματικής στρατηγικής που αξιοποιεί την ΤΝ. Στην παρούσα εργασία, εξετάζουμε καθένα από αυτά τα ερωτήματα μέσα από διάφορα παραδείγματα από τον πραγματικό επιχειρηματικό κόσμο, αναδεικνύοντας πώς οι απαντήσεις συμβάλλουν στην επίτευξη στρατηγικής ευθυγράμμισης (strategic fit). Με αυτόν τον τρόπο, διασφαλίζεται ότι οι πρωτοβουλίες ΤΝ υποστηρίζουν ουσιαστικά τους στόχους, τις ικανότητες και την ανταγωνιστική θέση της επιχείρησης, αντί να εξελίσσονται σε μεμονωμένα τεχνολογικά έργα, αποκομμένα από τη συνολική επιχειρηματική στρατηγική.

    • Even though artificial intelligence (AI) has become a major priority for many firms’ top management teams, turning AI into a clear and effective strategy is still difficult. A central reason is that modern AI systems are not like most other digital technologies: they can learn from data and improve themselves over time, through machine learning. This self-learning capability changes how organizations should plan for, deploy, and control the technology. Yet, strategy research still tries to provide a structured, step-by-step way to help managers decide how to manage these learning systems in alignment with the firm’s overall business strategy.


      Initially, this project examines such gaps in detail, in every strategy decision lever, and it matches classic and contemporary strategy models, to these levers. Later, it analyzes a newly developed strategy approach grounded in three core features of contemporary AI: First, AI can outperform humans or traditional systems on specific tasks (task superiority). Second, many AI models are difficult to fully interpret, making their outputs feel like a “black box” (black box perception). Third, AI systems can evolve as they learn, meaning their behavior and performance may shift over time (dynamic nature).

      Built on these characteristics, the newly developed strategy model proposed by Thomas Hutzschenreuter and Tim Lämmermann in their review, constitutes a practical framework that highlights five key questions managers should ask when designing an AI-driven business strategy. Here, we walk through each question using several real-world examples, showing how the answers help companies achieve strategic fit, ensuring AI initiatives actually support the firm’s goals, capabilities, and competitive positioning rather than becoming isolated tech projects.

  12. Hellenic Open University
  13. Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές